循环一致性神经网络利用了两个GAN网络进行循环,以此来修正模型输出的结果,防止特征都映射到一张图片上。
循环一致性网络示意图
X->Y的对抗损失:
这里希望认出更少的原来图片(前一项),认出更多的生成图片(后一项)。同理从Y->X的对抗损失也可以写出来。
G想最小化上面这一项,D想最大化这一项,这也就是为什么叫做对抗网络。
但是仅仅使用对抗网络没法建立X到Y空间上的正确映射,一个好的思路就是建立循环对抗神经网络。
我们把上面这个式子叫做前向循环一致性,进而我们得到循环一致性损失
这个式子很好理解,就是让转换后的图片保留更多的原图片信息,想要验证这一点只需要循环验证即可,即将映射后的特征空间再次映射到原空间,以此来检验信息损失程度。
上面这个就是总的loss函数
我们要做的就是找到下面的解
待更。。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。